利用邻居混合模型建模图节点相关性
机器学习
2021-04-20 v2 机器学习
摘要
我们提出了一种用于建模图中节点标签的新模型——邻居混合模型（Neighbor Mixture Model, NMM）。该模型旨在捕捉局部邻域内节点标签之间的相关性。我们精心设计了该模型，使其可以作为马尔可夫随机场（Markov Random Field）的替代方案，但计算代价更低。特别地，采样和评估单个标签的边缘概率可在线性时间内完成。为将计算扩展到大型图，我们设计了一种不引入额外参数的变分近似方法。我们进一步使用图神经网络（GNNs）对 NMM 进行参数化，这减少了可学习参数的数量，同时允许进行具有表达力的表示学习。所提出的模型既可以直接拟合到大型观测图，也可用于实现保留相关性的可扩展推断，以服务于其他分布（如深度生成图模型）。在节点分类、图像去噪和链接预测等一系列多样化任务中，我们表明所提出的 NMM 在推进真实世界带标签图建模的当前最优（SOTA）水平。
引用
@article{arxiv.2103.15966,
title = {Modeling Graph Node Correlations with Neighbor Mixture Models},
author = {Linfeng Liu and Michael C. Hughes and Li-Ping Liu},
journal= {arXiv preprint arXiv:2103.15966},
year = {2021}
}